CN104463804A - 一种基于直觉模糊集的图像增强方法 - Google Patents

Abstract

本发明公开了一种基于直觉模糊集的图像增强方法，有效改善弱边缘噪声图像质量，涉及数字图像处理技术领域。本发明利用直觉模糊集理论，提出新的直觉模糊算子，然后通过隶属度平面上的自适应操作，增大前景区域像素点的隶属度、降低背景区域像素点的隶属度，最后通过逆变换获取高质量的图像，从而有选择性地突出或抑制图像的特定信息，使其更适合人类的视觉特性或其它系统的识别功能。

Description

一种基于直觉模糊集的图像增强方法

技术领域

本发明涉及数字图像处理技术领域，具体是一种基于直觉模糊集的图像增强方法。

背景技术

在相当多的场合，由于受到不同类型噪声的污染，或成像设备和图像传输设备等物理性质的限制，光学或医学图像质量严重退化，其对比度差，图像边缘和感兴趣区域模糊，因而需要采用图像增强处理技术改善图像质量，以期获得在视觉感知或某种最优准则下的高质量图像。图像增强技术主要有空域和频域两大类，其目的在于选择性地突出或抑制图像的特定信息，从而调节图像的对比度，平滑图像的感兴趣区域，或锐化图像的边缘和细节信息等。然而，尽管已有诸如直方图均衡化、非线性反锐化掩模、小波变换和模糊集等图像增强方法，但对于弱边缘噪声图像质量的改善在计算机视觉和模式识别中依然面临很大困难。

依据假设：具有均匀分布的灰度直方图的图像具有最佳的视觉对比，直方图均衡法在图像增强领域占据主导地位(S.D.Chen and A.R.Ramli,“Minimummean brightness error bi-histogram equalization in contrast enhancement,”IEEETrans.Consumer Electronics,vol.49,no.4,pp.1310-1319,Nov.2003.)。然而，自动分析和亮度保持方面的不足，以及冲蚀效应阻碍了直方图均衡法的发展。此外，图像的采集和传输过程中不可避免地会产生模糊性和不确定性，且图像的边缘、纹理和区域等特征的定义也存在模糊性，因此，有效描述图像信息应该利用启发式的人类知识表达方法，而这种方法是高度非线性的，不能用经典数学模型表示。

由于模糊技术是非线性的和基于知识的，且可以处理具有模糊性的而不是随机性的缺损数据，模糊集理论已在图像处理领域引起广泛关注(M.Hanmandluand D.Jha,“An optimal fuzzy system for color image enhancement,”IEEE Trans.Image Processing,vol.15,no.10,pp.2965-2966,Oct.2006.)。模糊技术的成功应用表明，归功于图像处理固有的模糊性，基于模糊集和模糊逻辑方法非常适合自动调节图像的对比度，改善图像质量(C.Yang等“A fuzzy-statistics-based principalcomponent analysis(FS-PCA)method for multispectral image enhancement anddisplay,”IEEE Trans.Geoscience&Remote Sensing,vol.46,no.11,pp.3937-3947,Nov.2008.)。然而，经典模糊增强方法也存在一些瑕疵：一是输出图像的灰度范围几乎是不变的，这表明该方法不合适处理灰度等级少、对比度低的退化图像；二是隶属函数的范围不是一个规范形式；三是缺乏图像增强的优化条件。

因此，如何设计更符合人类决策过程的模糊图像增强方法对改善图像质量，为后续图像分析具有重要意义。

发明内容

本发明是针对现有图像增强处理方法存在的上述技术问题，提供了一种基于直觉模糊集的图像增强方法。

一种基于直觉模糊集的图像增强方法，包括以下步骤：

步骤1，将原始图像I划分为各个子图像；

步骤2，对每一个子图像通过阈值分割为前景区域和背景区域；

步骤3，对每一个子图像求解各个像素点的隶属度；

步骤4，对每一个像素点隶属度进行调整使得前景区域的像素点的隶属度增大，背景区域的像素点的隶属度减小；

步骤5，将步骤4调整之后的隶属度逆变换到像素平面得到对比度增强的图像J；

步骤6，将原始图像I和图像J加权求和，获得增强后图像K。

如上所述的阈值分割为Otsu阈值分割。

如上所述的步骤3的隶属度的求解基于以下公式：

$\begin{array}{ccc}{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_1\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),& \mathrm{if}& u_{\mathrm{ij}}\&GreaterEqual;u_A^c\\ {\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_2\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),& \mathrm{if}& u_{\mathrm{ij}}<u_A^c\end{array}$

其中，Ψ₁和Ψ₂均为模糊化函数，是阈值，m₀是前景区域的像素点灰度均值，m₁是背景区域的像素点灰度均值，u_ij表示在像素点(i，j)处的灰度值，μ_O(u_ij)表示前景区域内像素点(i，j)处的隶属度，μ_B(u_ij)表示背景区域内像素点(i，j)处的隶属度。

如上所述的步骤4中隶属度的调整是基于以下公式：

${\mathrm{\&mu;}}_A^{\&prime;}\left(u_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{\mathrm{\&Gamma;}}_1\left({\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Gamma;}}_2\left({\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_O\left(u_A^c\right)-{({\mathrm{\&mu;}}_O^2\left(u_A^c\right)-{\mathrm{\&mu;}}_O^2\left(u_{\mathrm{ij}}\right))}^{0.5},& {\mathrm{\&mu;}}_O^{\min }\&le;{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O\left(u_A^c\right)\\ {\mathrm{\&mu;}}_O\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_O\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_O\left(u_A^c\right)<{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O^{\max }\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)-{({\mathrm{\&mu;}}_B^2\left(u_A^c\right)-{\mathrm{\&mu;}}_B^2\left(u_{\mathrm{ij}}\right))}^{0.5,}& {\mathrm{\&mu;}}_B^{\min }\&le;{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B\left(u_A^c\right)\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_B\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_B\left(u_A^c\right)<{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B^{\max }\end{array}\right.$

其中，Γ₁和Γ₁均为隶属度调整函数，Ω_O为前景区域，Ω_B为背景区域，μ'_A(u_ij)指经过隶属度调整后像素点(i，j)处新的隶属度，μ_O(u_ij)指前景区域内像素点的隶属度，μ_B(u_ij)指背景区域内像素点的隶属度， ${\mathrm{\&mu;}}_O\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),{\mathrm{\&mu;}}_B\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),$ 和分别指前景区域像素点的隶属度的最小值和最大值，和分别指背景区域隶属度的最小值和最大值。

如上所述的步骤5中逆变换是基于以下公式：

$u_{\mathrm{ij}}^{\&prime;}=\left\{\begin{array}{c}{\mathrm{\&Phi;}}_1\left(u_O^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Phi;}}_2\left({\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{c}{[m_0^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_O^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},m_0\&le;u_{\mathrm{ij}}\&le;u^{\max }\\ {[m_0^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},u_A^c\&le;u_{\mathrm{ij}}<m_0\\ {[m_1^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},m_1\&le;u_{\mathrm{ij}}<u_A^c\\ {[m_1^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},u^{\min }\&le;u_{\mathrm{ij}}<m_1\end{array}\right.$

其中，Φ₁和Φ₂均为逆变换函数，u'_ij表示像素点(i，j)处的新的像素值，μ'_O(u_ij)指前景区域的各个像素点经过步骤4隶属度调整后所得的新的隶属度，μ'_B(u_ij)指背景区域经过步骤4隶属度调整后所得的各个像素点新的隶属度，u^min和u^max分别为原始图像I的最小和最大灰度值。

如上所述的步骤6中加权求和是基于以下公式：

K_u(i,j)＝a·I_u(i,j)+b·J_u(i,j)，

其中K_u(i,j)为增强后图像中在像素点(i，j)处的像素值，I_u(i,j)为原始图像I中在像素点(i，j)处的像素值，J_u(i,j)为对比度增强的图像J中在像素点(i，j)处的像素值，a和b均为非负数。

本发明与现有技术相比，具有以下优点：

1.本发明利用直觉模糊集理论，提出了新的直觉模糊算子，该算子考虑隶属函数更多的不确定性因素，更符合人类的决策过程。

2.本发明利用受限等价函数构建的直觉模糊算子先以指数形式增长，然后以线性形式递减，可以有效区分不同区域的直觉模糊度。

3.本发明首先把图像分成若干子图像，其次自适应调节对每个子图像的模糊隶属度，然后通过逆变换得到增强的图像。每个子图像的处理过程可以并行处理，可以有效减少图像增强算法的计算量，提高计算效率。

附图说明

图1为本发明实施方式的结构示意框图。

图2为采用现有技术和本实施例方法得到的红外图像处理结果示意图。(a)为一幅海-空背景下的小目标红外原始图像，(b)为采用模糊直方图增强方法的处理结果，(c)为采用λ-增强方法的处理结果，(d)为采用模糊松弛增强方法的处理结果，(e)为采用Zadeh增强方法的处理结果，(f)为采用本实施例方法的处理结果。

图3为采用现有技术和本实施例方法得到的无损检测图像处理结果示意图。(a)为一幅细胞无损检测原始图像，(b)为采用模糊直方图增强方法的处理结果，(c)为采用λ-增强方法的处理结果，(d)为采用模糊松弛增强方法的处理结果，(e)为采用Zadeh增强方法的处理结果，(f)为采用本实施例方法的处理结果。

图4为采用现有技术和本实施例方法得到的核磁共振(MRI)图像处理结果示意图。(a)为一幅脑肿瘤MRI原始图像，(b)为采用模糊直方图增强方法的处理结果，(c)为采用λ-增强方法的处理结果，(d)为采用模糊松弛增强方法的处理结果，(e)为采用Zadeh增强方法的处理结果，(f)为采用本实施例方法的处理结果。

图5为采用现有技术和本实施例方法得到的乳腺钼靶图像处理结果示意图。(a)为一幅乳腺钼靶原始图像(黑色曲线所围成的区域表示乳腺肿块)，(b)为采用模糊直方图增强方法的处理结果，(c)为采用λ-增强方法的处理结果，(d)为采用模糊松弛增强方法的处理结果，(e)为采用Zadeh增强方法的处理结果，(f)为采用本实施例方法的处理结果。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

图1为本发明实施方式的结构示意框图。主要包括：图像输入、子图像区域划分、前景和背景区域分割、模糊化、隶属度调整、去模糊化和加权求和。

步骤1，输入一幅图像，子图像区域划分：

对于一个大小为M×N的图像(I)，依据图像特有的结构特征(如生理结构特征或几何结构特征)把图像划分为一系列大小为M_t×N_t的子图像，t＝1,…,L，其中L是子图像的个数，例如，如图1和图4所示，利用大脑镰把脑部核磁共振(MRI)图像划分为左右两部分。

步骤2，对每一个子图像，前景区域和背景区域分割：

对经过步骤1所得到的每一个子图像(A)，利用阈值把子图像分割为前景区域(Ω_O)和背景区域(Ω_B)，例如，采用Otsu阈值方法分割前景区域和背景区域。

步骤3，对每一个子图像，模糊化求解：

对经过步骤1和步骤2所得到的每一个前景区域(Ω_O)，利用模糊化函数Ψ₁求解每个像素点的隶属度；对每一个背景区域(Ω_B)，利用模糊化函数Ψ₂求解每个像素点的隶属度。模糊化函数Ψ₁和Ψ₂的表达式如下所示：

$\begin{array}{ccc}{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_1\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),& \mathrm{if}& u_{\mathrm{ij}}\&GreaterEqual;u_A^c\\ {\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_2\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),& \mathrm{if}& u_{\mathrm{ij}}<u_A^c\end{array}---\left(1\right)$

其中，是阈值，m₀是前景区域的像素点灰度均值，m₁是背景区域的像素点灰度均值，u_ij表示在像素点(i，j)处的灰度值，μ_O(u_ij)表示前景区域内像素点(i，j)处的隶属度，μ_B(u_ij)表示背景区域内像素点(i，j)处的隶属度。

步骤4，对每一个像素点，隶属度调整：

对每一个前景区域(Ω_O)，利用函数Γ₁调整每一个像素点的隶属度；对每一个背景区域(Ω_B)，利用函数Γ₂调整每一个像素点的隶属度，目的在于使得前景区域像素点的隶属度得以增大，背景区域像素点的隶属度得以降低。隶属度调整函数Γ₁和Γ₂的表达式如下所示：

${\mathrm{\&mu;}}_A^{\&prime;}\left(u_{\mathrm{ij}}\right)=\left\{\begin{array}{c}{\mathrm{\&Gamma;}}_1\left({\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Gamma;}}_2\left({\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_O\left(u_A^c\right)-{({\mathrm{\&mu;}}_O^2\left(u_A^c\right)-{\mathrm{\&mu;}}_O^2\left(u_{\mathrm{ij}}\right))}^{0.5},& {\mathrm{\&mu;}}_O^{\min }\&le;{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O\left(u_A^c\right)\\ {\mathrm{\&mu;}}_O\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_O\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_O\left(u_A^c\right)<{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O^{\max }\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)-{({\mathrm{\&mu;}}_B^2\left(u_A^c\right)-{\mathrm{\&mu;}}_B^2\left(u_{\mathrm{ij}}\right))}^{0.5,}& {\mathrm{\&mu;}}_B^{\min }\&le;{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B\left(u_A^c\right)\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_B\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_B\left(u_A^c\right)<{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B^{\max }\end{array}\right.---\left(2\right)$

其中，

${\mathrm{\&mu;}}_O\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),{\mathrm{\&mu;}}_B\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),$ μ'_A(u_ij)指经过隶属度调整后像素点(i，j)处新的隶属度，和分别指前景区域像素点的隶属度的最小值和最大值，和分别指背景区域像素点的隶属度的最小值和最大值。

步骤5，对每一个像素点，去模糊化求解，逆变换到像素平面：

对前景区域(Ω_O)每一个像素点的新的隶属度，利用函数Φ₁把每个点的隶属度逆变换为像素值；对背景区域(Ω_B)每一个像素点的新的隶属度，利用函数Φ₂把每个点的隶属度逆变换为像素值。逆变换函数Φ₁和Φ₂的表达式如下式所示：

$u_{\mathrm{ij}}^{\&prime;}=\left\{\begin{array}{c}{\mathrm{\&Phi;}}_1\left(u_O^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Phi;}}_2\left({\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{c}{[m_0^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_O^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},m_0\&le;u_{\mathrm{ij}}\&le;u^{\max }\\ {[m_0^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},u_A^c\&le;u_{\mathrm{ij}}<m_0\\ {[m_1^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},m_1\&le;u_{\mathrm{ij}}<u_A^c\\ {[m_1^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},u^{\min }\&le;u_{\mathrm{ij}}<m_1\end{array}\right.---\left(3\right)$

其中，u'_ij表示像素点(i，j)处的新的像素值，μ'_O(u_ij)指前景区域的各个像素点经过步骤4隶属度调整后所得的新的隶属度，μ'_B(u_ij)指背景区域经过步骤4隶属度调整后所得的各个像素点新的隶属度，u^min和u^max分别为原始图像(I)的最小和最大灰度值。

步骤6，加权求和，获得增强图像：

对经过步骤1～步骤5所得到的像素点(i，j)处的新的像素值u'_ij，以u'_ij替代原始图像(I)在点(i，j)处的像素值u_ij，可得对比度增强的图像(J)。图像(I)和图像(J)通过加权求和，获得增强后图像(K)。

K_u(i,j)＝a·I_u(i,j)+b·J_u(i,j)    (4)

其中K_u(i,j)为增强后图像中在像素点(i，j)处的像素值，I_u(i,j)为原始图像I中在像素点(i，j)处的像素值，J_u(i,j)为对比度增强的图像J中在像素点(i，j)处的像素值。a和b为非负数，例如，在图4中，a＝0.4，b＝0.6。

采用不同模糊图像增强处理方法的处理结果如图2～图5所示，

图2为小目标红外图像处理结果，小目标在图2(f)中得到很好地增强；

图3为无损检测图像处理结果，细胞的边缘在图3(f)中得到很好地增强；

图4为脑肿瘤MRI图像处理结果，水肿区域在图4(f)中得到很好地增强；

图5为乳腺钼靶图像处理结果，乳腺肿块在图5(f)中得到很好地增强。

从图2～图5中可以看出，本实施例方法得到的效果最好，其中，模糊直方图增强方法来自于文献(H.R.Tizhoosh,Fuzzy technique in image processing,Spring-Verlag Berlin Heidelberg,2000,pp.137-146,ch.5.)，λ-增强方法来自于文献(H.R.Tizhoosh,G.Krell and B.Michaelis,“λ-enhancement:contrast adaptationbased on optimization of image fuzziness,”Proc.IEEE FSP,vol.2,pp.1548-1553,May 1998.)，模糊松弛增强方法来自于文献(H.Li and H.S.Yang,“Fast andreliable image enhancement using fuzzy relaxation technique,”IEEE Trans.Systems,Man&Cybernetics,vol.19,no.5,pp.1276-1281,Sep.1989.)，Zadeh增强方法来自于文献(S.K.Pal and R.A.King,“Image enhancement using smoothing withfuzzy sets,”IEEE Trans.Systems,Man&Cyberebtics,vol.11,no.7,pp.494-501,Jul.1981.)。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于直觉模糊集的图像增强方法，其特征在于，包括以下步骤：

步骤1，将原始图像I划分为各个子图像；

步骤2，对每一个子图像通过阈值分割为前景区域和背景区域；

步骤3，对每一个子图像求解各个像素点的隶属度；

步骤4，对每一个像素点隶属度进行调整使得前景区域的像素点的隶属度增大，背景区域的像素点的隶属度减小；

步骤5，将步骤4调整之后的隶属度逆变换到像素平面得到对比度增强的图像J；

步骤6，将原始图像I和图像J加权求和，获得增强后图像K。

2.根据权利要求1所述的一种基于直觉模糊集的图像增强方法，其特征在于，所述的阈值分割为Otsu阈值分割。

3.根据权利要求1所述的一种基于直觉模糊集的图像增强方法，其特征在于，所述的步骤3的隶属度的求解基于以下公式：

${\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_1\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),\mathrm{if}{u}_{\mathrm{ij}}\&GreaterEqual;u_A^c$

${\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)={\mathrm{\&Psi;}}_2\left(u_{\mathrm{ij}}\right)=[\exp (1-|u_{\mathrm{ij}}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),\mathrm{if}{u}_{\mathrm{ij}}\&GreaterEqual;u_A^c$

其中，Ψ₁和Ψ₂均为模糊化函数，是阈值，m₀是前景区域的像素点灰度均值，m₁是背景区域的像素点灰度均值，u_ij表示在像素点(i，j)处的灰度值，μ_O(u_ij)表示前景区域内像素点(i，j)处的隶属度，μ_B(u_ij)表示背景区域内像素点(i，j)处的隶属度。

4.根据权利要求3所述的一种基于直觉模糊集的图像增强方法，其特征在于，所述的步骤4中隶属度的调整是基于以下公式：

${\mathrm{\&mu;}}_A^{\&prime;}\left(u_{\mathrm{ij}}\right)=\left\{\begin{array}{cc}{\mathrm{\&Gamma;}}_1\left({\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\right),& u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Gamma;}}_2,\left({\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\right),& u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_O\left(u_A^c\right)-{({\mathrm{\&mu;}}_O^2\left(u_A^c\right)-{\mathrm{\&mu;}}_O^2\left(u_{\mathrm{ij}}\right))}^{0.5},& {\mathrm{\&mu;}}_O^{\min }\&le;{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O\left(u_A^c\right)\\ {\mathrm{\&mu;}}_O\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_O\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_O\left(u_A^c\right)<{\mathrm{\&mu;}}_O\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_O^{\max }\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)-{({\mathrm{\&mu;}}_B^2\left(u_A^c\right)-{\mathrm{\&mu;}}_B^2\left(u_{\mathrm{ij}}\right))}^{0.5},& {\mathrm{\&mu;}}_B^{\min }\&le;{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B\left(u_A^c\right)\\ {\mathrm{\&mu;}}_B\left(u_A^c\right)+{[{(1-{\mathrm{\&mu;}}_B\left(u_A^c\right))}^2-{(1-{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right))}^2]}^{0.5},& {\mathrm{\&mu;}}_B\left(u_A^c\right)<{\mathrm{\&mu;}}_B\left(u_{\mathrm{ij}}\right)\&le;{\mathrm{\&mu;}}_B^{\max }\end{array}\right.$

其中，Γ₁和Γ₁均为隶属度调整函数，Ω_O为前景区域，Ω_B为背景区域，μ'_A(u_ij)指经过隶属度调整后像素点(i，j)处新的隶属度，μ_O(u_ij)指前景区域内像素点的隶属度，μ_B(u_ij)指背景区域内像素点的隶属度， ${\mathrm{\&mu;}}_O\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_0^2\left|\right)-1]/(\exp \left(1\right)-1),{\mathrm{\&mu;}}_B\left(u_A^c\right)=[\exp (1-|{\left(u_A^c\right)}^2-m_1^2\left|\right)-1]/(\exp \left(1\right)-1),$ 和分别指前景区域像素点的隶属度的最小值和最大值，和分别指背景区域隶属度的最小值和最大值。

5.根据权利要求4所述的一种基于直觉模糊集的图像增强方法，其特征在于，所述的步骤5中逆变换是基于以下公式：

$u_{\mathrm{ij}}^{\&prime;}=\begin{array}{}\end{array}\left\{\begin{array}{cc}{\mathrm{\&Phi;}}_1\left({\mathrm{\&mu;}}_O^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),& u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_O\\ {\mathrm{\&Phi;}}_2\left({\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)\right),& u_{\mathrm{ij}}\&Element;{\mathrm{\&Omega;}}_B\end{array}\right.=\left\{\begin{array}{cc}{[m_0^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_O^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},& m_0\&le;u_{\mathrm{ij}}\&le;u^{\max }\\ {[m_0^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_O^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},& u_A^c\&le;u_{\mathrm{ij}}<m_0\\ {[m_1^2+(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},& m_1\&le;u_{\mathrm{ij}}<u_A^c\\ {[m_1^2-(1-\log (1+(\exp \left(1\right)-1){\mathrm{\&mu;}}_B^{\&prime;}\left(u_{\mathrm{ij}}\right)))]}^{0.5},& u^{\min }\&le;u_{\mathrm{ij}}<m_1\end{array}\right.$

其中，Φ₁和Φ₂均为逆变换函数，u′_ij表示像素点(i，j)处的新的像素值，μ'_O(u_ij)指前景区域的各个像素点经过步骤4隶属度调整后所得的新的隶属度，μ'_B(u_ij)指背景区域经过步骤4隶属度调整后所得的各个像素点新的隶属度，u^min和u^max分别为原始图像I的最小和最大灰度值。

6.根据权利要求5所述的一种基于直觉模糊集的图像增强方法，其特征在于，所述的步骤6中加权求和是基于以下公式：

K_u(i,j)＝a·I_u(i,j)+b·J_u(i,j)，

其中K_u(i,j)为增强后图像中在像素点(i，j)处的像素值，I_u(i,j)为原始图像I中在像素点(i，j)处的像素值，J_u(i,j)为对比度增强的图像J中在像素点(i，j)处的像素值，a和b均为非负数。